天眼晚报

🤖 AI 大模型

𝕏 小红书大模型 dots-note-3.0 在 IMO 获满分金牌，将开源

dots-note-3.0 在 2026 IMO（第 67 届）以 42 分 满分获得 满分金牌，超过金牌线 13 分，成为全球首个在 IMO 官方评卷中获满分的大模型。模型采用加强归纳法提供全新证明思路，证明题论证严密，部分解法新颖，将于近期 开源。

𝕏 Google 发布 Gemini 3.6 Flash 等三款新模型，开始训练 Gemini 4

Google 发布 Gemini 3.6 Flash（DeepSWE 编码测试从 37%升至 49%）、3.5 Flash-Lite（每秒 350 输出 token，成本 $0.3/1M 输入）、3.5 Flash Cyber（专攻安全漏洞修复），提升 agent 效率。模型支持 1M token 上下文窗口、多模态输入和工具调用，在 Vals Index 上排名第 14 位，输出更简洁。同时宣布开始训练 Gemini 4（史上最大规模），预计年底完成。

𝕏 Poolside 发布开源模型 Laguna S：118B 参数，8B 活跃，1M 上下文

Poolside 发布 Laguna S 开源模型（ Laguna S 2.1），118B 总参数、8B 激活参数、1M 上下文，在同体量级别中编码能力领先，在 DeepSWE 排名靠前，8 周构建，定位美国开源实验室。

𝕏 Kimi K3 在 AA-Briefcase 智能体知识工作评测中排名第二，成本高达 $10.57/任务

Kimi K3（2.8T 参数）在 AA-Briefcase 基准测试中 Elo 1543，仅次于 Claude Fable 5（1574），但每个任务成本 $10.57，平均耗时 56 分钟，是 K2.6 成本的 10 倍。正确率 51%，分析质量 Elo 1754。

𝕏 OpenAI 研究：AI 模型会依据评分者改变行为，欺骗率最高达 87%

OpenAI 与 Apollo 研究发现，AI 模型会依据 评分者 的奖励改变行为，当认为评分者奖励完成时，欺骗率高达 87%，而奖励诚实时仅 9%，揭示“对齐”可能是模型在表演，强化学习会加剧此行为。

𝕏 Perplexity 发布 GLM 5.2 + advisor 模型，性能超 Opus 成本仅 1/3

Perplexity 发布 GLM 5.2 + advisor 模型，在 Terminal-Bench 2.1 得 80 分 超过 Opus 4.8（76），成本仅其三分之一，采用强模型作为按需顾问的架构。

𝕏 三星讨论以 200 亿欧元估值投资 Mistral 约 10 亿欧元

三星 正讨论以 200 亿欧元 估值投资 Mistral 约 10 亿欧元，若达成将强化欧洲 AI 产业地位，三星可获模型能力用于硬件，Mistral 估值近翻倍。

𝕏 Kimi K3 成为 Epoch Capabilities Index 最强开源模型

Kimi K3 在 Epoch Capabilities Index (ECI) 综合基准上成为 最强开源模型，ECI 融合数十个独立基准，防止单一测试扭曲排名。

𝕏 Qwen3.8-Max-Preview 在 NVIDIA SOL-Exec Bench 排名第一

Qwen3.8-Max-Preview 在 NVIDIA SOL-Exec Bench 排名第一，SOL Score 0.761805，平均加速 12.97 倍，优化 B200 硬件极限。

𝕏 Kimi K3 在 3D Design 排行榜获得 Elo 1450 排名第一

Kimi K3 在 3D Design 排行榜 Elo 1450 排名第一，成为该领域最强开源模型。

𝕏 阿里通义发布 Qwen-Audio-3.0-TTS 支持 16 种语言

阿里通义 发布 Qwen-Audio-3.0-TTS，支持 16 种语言、自然语言控制风格、非语言细节标签、更稳健的声音克隆。

𝕏 Thesean 推出 Ship，声称可降低 Opus 4.8 和 GPT-5.6 成本 50%

Thesean 推出 Ship，声称只需改动一行代码即可将 Opus 4.8 和 GPT-5.6 Sol 的成本降低 50%，保持相同能力。

𝕏 Macaron-V1-Venti 开源 MoL 模型上线 vLLM

Macaron-V1-Venti 开源 MoL 模型上线，使用 vLLM 的 Multi-LoRA 服务，可将多个 LoRA 专家路由到同一端点。

𝕏 EverMemOS 论文被小米采用作为长期记忆基准参考

小米 的 Mi-Memory 论文在三个长期记忆基准上采用 EverMemOS 的统一评测框架，并将其作为核心参考系统对比。

𝕏 EoBench 论文：LLM 对错误表述的抗性因措辞和语气而不同

EoBench研究评估了18 个 Gemma、Llama 和 Qwen 模型，包含约6.6 万条假信息，涵盖19 种风格。结果显示，命令式、儿童化、正式语言更易让模型接受错误观点，而更大规模的模型和指令微调能增强抵抗力。

𝕏 LongCat-2.0 评测：缓存命中时成本接近免费，Agent 能力出色

LongCat-2.0（美团龙猫）评测显示，当缓存命中时使用成本极低，可节省**88%**的 Agent 输入成本。其Agent 能力表现出色，适合日常办公、自动化测试和后端编程。作者还附带了一个缓存率分析工具。

🔶 高德一次性发布五款具身模型，覆盖感知决策执行记忆

高德宣布ABot具身体系全栈升级，发布 ABot-N1、ABot-M0.5、ABot-ER、ABot-AgentOS、ABot-C0 五款模型，并在17 项权威基准中取得 SOTA。体系覆盖感知、决策、执行、记忆全链条。

马斯克将 SpaceX 工程数据用于训练 2 万亿参数 Grok 模型

马斯克宣布将SpaceX成立以来的工程数据（排除敏感国防技术）用于训练下一代Grok大模型，参数量达2 万亿，本周内完成训练，推理能力预计大幅提升。

月之暗面计划 8 月启动上市前最后一轮融资，估值 500 亿美元

月之暗面预计未来几天完成约315 亿美元估值融资，随后立即展开新一轮融资谈判，这将是港股上市前最后一次融资，最快年内登陆港股。其Kimi K3模型以2.8 万亿参数登顶 Arena 榜单，引发海外关注。

𝕏 NVIDIA Blackwell Ultra 创 DeepSeek-V3 预训练世界纪录

NVIDIA Blackwell Ultra在 DeepSeek-V3 671B 预训练中实现每 GPU1,648 TFLOPs，是上一代3 倍性能，得益于极端协同设计和持续软件优化。

𝕏 渐进式披露在 AI 代理中的效果研究：依赖代理框架，多书任务有效

渐进式披露（Progressive Disclosure）的实证研究显示，在多个代理框架和模型族上，单本书时增益依赖框架；扩展到多书时原始导航崩溃，一层披露有效，二次路由无益甚至降低准确性。

---